Serviços
Nossa equipe de especialistas à sua disposição
Gestão Financeira e Controle de Gestão
Gestão Financeira e Controle de Gestão
Todos os dias vemos empresas que gerenciam seus processos de controle financeiro manualmente (planilhas de cálculo) com alto risco operacional, consolidando informação a partir de muitas fontes de dados para então gerar relatórios de diversos tipos de forma complexa.
Se você precisa gerenciar os recursos financeiros de forma segura, coerente e oportuna com a finalidade de agregar mais valor aos sócios e/ou acionistas, conte conosco.
Relatórios de gestão (estáticos e dinâmicos) a tempo, seguros e de qualidade, atualização de gastos no orçamento de maneira simples, comparações de orçamento real e forecast sem erros, controle preciso do processo de compras (faturas) e pagamento aos fornecedores, indicadores, relatório de variações, carga de dados correta, workflow de autorizações, conciliação bancária clara e simples, entre outros, são exemplos das vantagens de utilizar nossos serviços.
Se você possui um ERP e/ou um sistema de Business Intelligence, nos complementamos à ele.
15 anos de experiência em soluções TI para empresas com foco em tecnologia aplicada em bancos e áreas de finanças nos sustentam.
Se você está interessado em conhecer mais detalhes deste serviço, entre em contato conosco.
Desenvolvimento de software sob medida
Desenvolvimento de uma solução de software feita especialmente sob medida, que se adapta às suas necessidades particulares. Seja para obter alguma vantagem competitiva, porque não existe solução padrão no mercado, ou para apoiar uma parte do seu processo; mantendo sempre uma performance correta e termos de custo, velocidade e capacidade de atendimento.
Inteligência de Negócios
As técnicas de Inteligência de Negócios, ou mais comumente conhecidas como Business Intelligence (BI), buscam diminuir a brecha entre dados e informação.
A diferença está na capacidade que uma organização possui para entender a realidade baseada nos dados acumulados em sua operação, que podem rondar os milhões de registros de acordo com a indústria e tamanho do negócio. Para poder tirar conclusões desta tremenda quantidade de dados, podemos dar dois passos orientados à tarefas complementares:
- Facilitar o acesso à leitura e revisão dos dados
- Ajudar os tomadores de decisão a detectar padrões nos dados
Facilidade de acesso
Os sistemas de informação normalmente construidos estão feitos para gerenciar “transações”, ou seja, registram cada instância individual de um certo processo. Por exemplo, um banco registra cada depósito e movimento, entre outros, que são feitos em cada conta. Isto faz com que a revisão de cada uma destas transações em particular seja muito rápida, dado que os motores das bases de dados atuais são feitos para permitir buscas otimizadas em base a vários parâmetros e estruturas auxiliares, como os índices.
Mas, o que acontece quando quero saber resultados acumulados em uma dimensão e compará-los com outros? Por exemplo, suponhamos que no caso do banco queremos comparar o total de depósitos feitos no mês de novembro, agrupados por região, e logo com um total nacional, em relação aos do ano anterior. Em termos das consultas sobre o motor da base de datos isso irá se traduzir em uma seleção de todos os registros correspondentes aos períodos selecionados, agrupados por região e data, para então somar o campo que guarda o depósito em cada um dos registros para cada categorização.
Apesar de que o motor da base de dados possa ser muito eficiente e o hardware sobre o qual está funcionando seja muito rápido, para uma quantidade de dados considerável a consulta pode ainda ser muito lenta para satisfazer a necessidade que um analista ou tomador de decisões tem em uma experiência interativa. Isto sem contar que cada consulta está imprimindo esforço nos sistemas de produção da organização.
Para solucionar este problema podemos partir do fato que os dados que precisamos analisar, como no exemplo, muitas vezes são dados históricos, ou seja, ao se tratar de transações passadas eles não vão mudar. Então podemos copiar estes dados a partir da base de dados relacional de produção e passá-la para uma base de dados feita de forma otimizada para a análise (desnormatizada). Esta base de dados especial é comumente conhecida como Data Warehouse ou DataMart, se armazena o total de dados da organização ou somente uma parte de seu processo completo.
Sobre este DataMart, construímos uma estrutura adicional que é a que finalmente será consultada para a análise, e que isso é conhecido como um cubo OLAP. O nome “cubo” vem do dado de que se a estrutura sobre as diferentes dimensões que forman o contexto que estamos analisando, como podem ser, por exemplo, o tempo, a distribuição geográfica, os produtos, etc. Cada uma destas dimensões pode ter vários níveis, como no caso da distribuição geográfica onde podemos encontrar país-região-bairro. Este cubo armazena dados históricos junto com os cálculos acumulados para adições segundo o tipo de análises que se quer realizar, de tal forma que no momento de fazer a consulta não se deve recorrer ao total de registros e fazer a soma, e sim que esta já estará feita. Cada cruzamento de dimensão pode conter vários membros calculados de forma otimizada, como foi descrito, ou com fórmulas mais complexas que levem em consideração sua posição no cubo, as dimensões envolvidas, e outros.
As consultas sobre o cubo OLAP podem ser realizadas utilizando a mesma interface com a qual foi construída ou através de uma integração com Excel que o faça parecer com uma tabela dinâmica. Também é possível utilizar as APIs dos motores OLAP de maneira a construir aplicativos web ou desktop que gerem consultas, em alguns casos simplificando esta tarefa, estabelecendo um modo gráfico e claro de impulso de dimensões e alternativamente reduzindo os graus de liberdade segundo o usuário. Na Miró temos uma grande experiência na construção e manutenção de cubos OLAP, que criamos para a indústria financeira e supermercados, entre outros. Os desafios, normalmente, têm sido gerenciar uma grande quantidade de dados (como no caso da indústria de supermercados onde se armazenam todas as transações), e a construção de cubos OLAP derivados de outros, como no caso financeiro, onde o tipo de câmbio é feito em um cubo auxiliar, o que logo se cruza com o cubo com os dados em moeda local para criar um terceiro cubo com os dados em dólares. Todos estes cubos foram construídos utilizando Microsoft Analysis Services, parte da suite do SQL Server, em múltiplas versões.
Deteção de padrões
Os cubos OLAP se constituem em uma forma muito eficiente de analisar os dados. Até este ponto é responsabilidade do analista saber o que é que os dados indicam. Para apoiá-lo nesta tarefa, se introduz um conceito adicional: Data Mining.
Coloquemos, por exemplo, o caso de um supermercado, onde cada compra vai ficando registrada em seu ERP ou sistema de vendas, com o detalhe de cada produto, a hora em que a compra foi realizada e o cliente que a realizou, este último graças ao programa de fidelização da empresa. Este tipo de registro permitirá acumular uma enorme quantidade de entradas em uma base de dados relacional, permitindo fazer uma consulta eficiente por uma compra em particular, mas não ajuda a visualizar como as diferentes arestas do conceito sob análise atuam entre si.
As tecnologias de Data Mining procuram detectar este tipo de relações entre as diferentes dimensões do contexto, além de permitir descobrir outras relações que não haviam sido previstas pelos analistas. Com isto conta-se com uma ferramenta de apoio que permita chamar a atenção sobre estas inter-relações, onde o analista deverá verificar se se trata de um efeito relevante sobre a análise.
Existem vários enfoques e resultados nesta análise sobre os dados. Em alguns casos o cliente deseja agrupar os diferentes registros segundo um dos atributos que o compõe, de tal maneira que seja possível detectar quais são os grandes grupos em que pode ser classificado o conjunto de dados.
Em outra aproximação, busca-se poder gerar uma estrutura que preveja o valor de um parâmetro baseado nos demais. Um exemplo típico são as árvores de decisão, geradas a partir dos dados que são introduzidos para a “aprendizagem” do sistema. A idéia é que esta estrutura constitui uma caixa branca na qual logo posso introduzir novos registros e obter uma previsão de um valor.
O trabalho sobre estes algoritmos considera uma série de técnicas orientadas a evitar a obtenção de modelos que não representem corretamente o contexto sobre o que se está trabalhando. Por exemplo, deve-se evitar que o modelo obtido se ajuste muito ao conjunto de dados de aprendizagem, de modo que não seja capaz de prever sobre dados de outro conjunto. Para isto deve-se, entre outras coisas, separar o conjunto completo de dados em uma aprendizagem e em outro de provas, e ir ajustando o modelo segundo os resultados que se obtenham na previsão deste último.
Ferramentas comumente utilizadas para esta análise são Microsoft SQL Server Analysis Services e o software Open Source Weka.
Consultoria especializada
Apoioamos seu negócio em tarefas que requeiram conhecimento especializado graças à experiência desde o nosso início.
Gerenciamos assuntos técnicos e de gestão de complexidade variada, nos mantendo atualizados sobre o progresso das tecnologias. Contamos com práticas de gestão de projetos que permitem garantir o cumprimento dos prazos e requerimentos dos diferentes projetos, assim como manter a informação dos artefatos relacionados de maneira organizada e acessível.
Geramos uma boa capacidade de diagnóstico, o que junto com o conhecimento de múltiplas plataformas (mantidas pela empresa), nos permite encontrar a solução para problemas em um tempo menor.
A principal vantagem deste tipo de serviço está no fato de que a Miró atua in situ, e se ajusta às suas necessidades, para que no menor tempo possível você retome normalmente o desenvolvimento que está sendo feito. Para isso, nossos esforços se concentram em compreender seu negócio de maneira total, assim como a análise da situação, de modo que possamos buscar a melhor solução e implementá-la.
TTBanca
